JP6803115B2 - ターゲット特性データの予測 - Google Patents

Description

本発明は、ターゲット特性データの予測に関する。

コンピュータ支援工学（ＣＡＥ）は、自動車及び電子機器などの様々な製造業のために使用されてきた。例えば、自動車ボンネットの設計は、ＣＡＥの用途の１つである。自動車ボンネットの設計には、安全基準（例えば頭部−ボンネット衝撃の外傷スコア）を満たすように厳しい規則が課されている。外傷スコアは、頭部−ボンネット衝撃中の加速度−時間曲線から計算される。加速度−時間曲線は、高価な衝突テストから測定することができ、又は比較的安価な衝突のコンピュータシミュレーションから推定することができる。しかしながら、衝突のコンピュータシミュレーションに基づいて加速度−時間曲線を推定することは、衝突のシミュレーションに必要とされるメモリ及びプロセッサが大量であることから、現在は長時間を要している。

したがって、当該分野において上記課題に対処する必要性がある。

第１の態様の観点から見ると、本発明は、特性データを予測するための装置を提供し、該装置は、プロセッサと、命令を一括的に含む１つ又は複数のコンピュータ可読媒体とを含み、該命令は、プロセッサによって実行されると、該プロセッサに、複数の物理構造データ及び複数の特性データを取得することであって、各物理構造は、複数の特性データの中の特性データに対応し、特性データは、複数の特性値を含み、各特性値は、複数の物理構造データの中の物理構造データに対応する物理構造に関係するものである、データを取得することと、複数の物理構造データの中の物理構造データに対応する少なくとも２つの物理構造の間の少なくとも１つの構造類似性を推定することと、ターゲット特性データをターゲット物理構造データから推定するための推定モデルを、少なくとも１つの特性データ及び対応する少なくとも１つの、ターゲット物理構造データと複数の物理構造データの各々との間の構造類似性を用いることによって、作成することと、を行わせる。

本発明のさらなる態様の観点から見ると、本発明は、特性データを予測するためのコンピュータ実装方法を提供し、該方法は、複数の物理構造データ及び複数の特性データを取得することであって、各物理構造は、複数の特性データの中の特性データに対応し、特性データは、複数の特性値を含み、各特性値は、前記複数の物理構造データの中の物理構造データに対応する物理構造に関係するものである、データを取得することと；複数の物理構造データの中の物理構造データに対応する少なくとも２つの物理構造の間の少なくとも１つの構造類似性を推定することと；ターゲット特性データをターゲット物理構造データから推定するための推定モデルを、少なくとも１つの特性データ及び対応する少なくとも１つの、ターゲット物理構造データと複数の物理構造データの各々との間の構造類似性を用いることによって、作成することと、を含む。

本発明のさらなる態様の観点から見ると、本発明は、特性データを予測するためのコンピュータプログラム製品を提供し、該コンピュータプログラム製品は、処理回路によって可読であり、かつ、本発明のステップを実施するための方法を実施するための、処理回路による実行のための命令を格納する、コンピュータ可読ストレージ媒体を含む。

本発明のさらなる態様の観点から見ると、本発明は、コンピュータ可読媒体上に格納された、デジタルコンピュータの内部メモリにロード可能なコンピュータプログラムであって、該プログラムがコンピュータ上で実行された場合に本発明のステップを実施するためのソフトウェアコード部分を含む、コンピュータプログラムを提供する。

したがって、本明細書における改革の態様の目的は、上記の関連技術に付随する欠点を克服することが可能な方式で、ターゲット特性データを予測することである。上記及び他の目的は、特許請求の範囲において記載される組合せによって達成することができる。改革の第１の態様は、プロセッサと、命令を一括して含む１つ又は複数のコンピュータ可読媒体とを含む装置とすることができる。プロセッサによって実行されたると、命令は、該プロセッサに、複数の物理構造データ及び複数の特性データを取得することであって、各物理構造は、複数の特性データの中の特性データに対応し、特性データは、複数の特性値を含み、各特性値は、複数の物理構造データの中の物理構造データに対応する物理構造に関係するものである、データを取得することと、複数の物理構造データの中の物理構造データに対応する少なくとも２つの物理構造の間の少なくとも１つの構造類似性を推定することと、ターゲット特性データをターゲット物理構造データから推定するための推定モデルを、少なくとも１つの特性データ及び対応する少なくとも１つの、ターゲット物理構造データと複数の物理構造データの各々との間の構造類似性を用いることによって、作成することと、を行わせる。改革の第１の態様によれば、装置は、加速度−時間曲線のような特性データを、衝突をシミュレーションすることなく、物理構造データから直接推定することができる。

第１の態様はまた、装置の動作を実施するコンピュータ実装方法、又は装置の動作を実施するために実行可能な具体化されたプログラム命令を有するコンピュータ可読ストレージ媒体を含むコンピュータプログラム製品とすることもできる。

この概要の節は、本発明の実施形態のすべての必須の特徴を必ずしも記載しているわけではない。本発明は、上記特徴のサブコンビネーションとすることもできる。本発明の上記及び他の特徴及び利点は、添付の図面と共に解釈される以下の実施形態の説明からより明らかになるであろう。

本発明を、ここで、以下の図面に示すような好ましい実施形態を参照して、例示のみの目的で説明する。

本発明の実施形態による、ターゲット特性データ予測の用途を示す。 本発明の実施形態による、ターゲット特性データ予測によって推定される加速度−時間曲線を示す。 本発明の実施形態による、装置１００の例示的な構成を示す。 本発明の実施形態による、装置の動作フローを示す。 本発明の実施形態による、物理構造データＸ_ｉの一例を示す。 本発明の実施形態による、特性データＹ_ｉの一例を示す。 本発明の実施形態による、第１の学習の一例を示す。 本発明の実施形態による、φ（Ｘ_ｉ）の一例を示す。 本発明の実施形態による、Ｖ（Ｘ_ｉ，Ｘ_ｎ）の一例を示す。 本発明の実施形態による、加速度−時間曲線の応答表面の一例を示す。 本発明の実施形態による、コンピュータを示す。

以下、本発明のいくつかの実施形態を説明する。実施形態は、特許請求の範囲による発明を限定するものではなく、実施形態において説明される特徴の組合せは、本発明の態様によって提供される手段にとって必ずしも必須ではない。

図１は、本発明の実施形態による、ターゲット特性データ予測の用途を示す。ターゲット特性データ予測装置は、ターゲット特性データを物理構造のターゲット物理構造データから推定するための推定モデルを生成することができる。推定モデルは、測定された特性データを有する物理構造のトレーニングデータを利用することによって生成することができる。トレーニングデータの各物理構造は、図１に示す自動車１０の自動車ボンネット１２のような可動物体の本体の一部を表すことができる。

図１の実施形態において、自動車ボンネット１２は、２０個の点を有し、ターゲット特性データ予測装置は、これら２０個の点の物理構造データを入力することができ、これら２０個の点についてのターゲット特性データを出力することができる。２０個の点のうちの１つを、図１において点Ｐ_ｉとして示す。一実施形態において、装置は、点Ｐ_ｉの物理構造データＸ_ｉを使用して、点Ｐ_ｉの特性データＹ_ｉを出力することができる。

図２は、本発明の実施形態による、ターゲット特性データを予測するために利用される加速度−時間曲線を示す。ターゲット特性データ予測装置は、トレーニングデータを利用して、図２に示す加速度−時間曲線のような加速度−時間曲線を推定することができる。例えば、装置は、物理的衝突テスト又はコンピュータシミュレーションを行うことなく、推定モデルに基づいて、図１の２０個の点についての衝突中の加速度−時間曲線を出力することができる。

図３は、本発明の実施形態による、装置１００のブロック図を示す。装置１００は、推定モデルを生成し、推定モデルに基づいてターゲット特性データを予測することができる。装置１００は、プロセッサと、命令を一括して含む１つ又は複数のコンピュータ可読媒体とを含むことができる。命令は、プロセッサによって実行されたときに、該プロセッサに、複数の動作セクションとしての動作を行わせることができる。これにより装置１００は、取得セクション１１０、計算セクション１３０、生成セクション１５０、及び予測セクション１７０を含むものとみなすことができる。

取得セクション１１０は、トレーニングデータとして、図１に示す自動車ボンネット１２の物理構造データのような複数の物理構造データ、及び図２に示す加速度−時間曲線のような複数の特性データを取得することができる。取得セクション１１０は、トレーニングデータとして、複数の物理構造データを生成セクション１５０に提供することができ、複数の特性データを計算セクション１３０に提供することができる。

取得セクション１１０はまた、新たなターゲット物理構造データを取得し、推定モデルの予測のために新たな物理構造データを予測セクション１７０に提供することもできる。

計算セクション１３０は、複数の特性データの中から第１の特性データと第２の特性データとの間の特性類似性を計算することができる。

計算セクション１３０は、複数の特性データの中から複数の特性データペアの間の１つ又は複数の特性類似性を計算することができる。計算セクション１３０は、計算された特性類似性を生成セクション１５０に提供することができる。

生成セクション１５０は、ターゲット特性データをターゲット物理構造データから推定するための推定モデルを生成することができる。生成セクション１５０は、第１の決定セクション１５２及び第２の決定セクション１５４を含むことができる。

第１の決定セクション１５２は、第１の学習を行って、２つの物理構造データの２つの物理構造間の類似性を推定する類似性関数を決定することができる。

第１の決定セクション１５２はまた、第１の学習によって決定された類似性関数に基づいて、複数の物理構造データの中の物理構造データに対応する少なくとも２つの物理構造間の少なくとも１つの構造類似性を推定することもできる。第１の決定セクション１５２は、１つ又は複数の推定された構造類似性を、第２の決定セクション１５４に提供することができる。

第２の決定セクション１５４は、第２の学習を行って推定モデルを生成することができる。推定モデルは、重み及び感度を有することを含むことができ、第２の決定セクション１５４は、第２の学習において、重み及び感度を最適化することができる。第２の決定セクション１５４は、生成された推定モデルを予測セクション１７０に提供することができる。

予測セクション１７０は、推定モデルを使用することによって、新たなターゲット物理構造のターゲット特性データを推定することができる。一実施形態において、予測セクション１７０は、ターゲット物理構造データとトレーニングデータ内の複数の物理構造データの各々との間の少なくとも１つの構造類似性を使用することによって、推定モデルに基づいて推定を行うことができる。一実施形態において、予測セクション１７０は、新たなターゲット物理構造データを入力し、推定モデルに基づいて、この新たなターゲット物理構造データに対応する特性データを推定することができる。

上述のように、装置１００は、第１の学習及び第２の学習を行うことによって、物理構造データのコンピュータシミュレーションを実際に生成することなく、物理構造データに基づいて特性データを推定することができ、これにより自動車などの製品を製造するための費用及び時間が削減される。

図４は、本発明の実施形態による、装置の動作フローを示す。本実施形態は、装置１００のような装置が図４に示すようにＳ４１０からＳ４７０までの動作を行う例を説明する。図４は、図３に示す装置１００の動作フローの一例を示すが、図３に示す装置１００はこの動作フローの使用に限定されない。

最初に、Ｓ４１０において、取得セクション１１０のような取得セクションは、装置のメモリ、又は装置外部のデータベースから、トレーニングデータを取得することができる。トレーニングデータは、自動車ボンネットのような物理構造内の複数の点のデータを含むことができる。各点のデータは、物理構造データ及び特性データを含むことができる。

取得セクションは、複数の物理構造データを生成セクションに提供することができ、複数の特性データを計算セクションに提供することができる。

次に、Ｓ４２０において、計算セクション１３０のような計算セクションは、複数の特性データの中から第１の特性データと第２の特性データとの間の特性類似性を計算することができる。計算セクションは、複数の特性データからすべての可能なペア又はすべての可能なペアの一部を生成することができ、各ペアにおける２つの特性データの各々の特性類似性を計算することができる。一実施形態において、計算セクションは、特性データＹ_１及びＹ_２の特性類似性（これをＳ（Ｙ_１，Ｙ_２）と称することができる）、特性類似性Ｓ（Ｙ_１，Ｙ_３）、特性類似性Ｓ（Ｙ_１，Ｙ_４）、．．．、特性類似性Ｓ（Ｙ_Ｎ−２，Ｙ_Ｎ）、特性類似性Ｓ（Ｙ_Ｎ−１，Ｙ_Ｎ）を計算することができ、ここで変数Ｎは、トレーニングデータの数、例えば自動車ボンネットの点の数を表す。

計算セクションは、第１の特性データ及び第２の特性データの対応する特性値の間の少なくとも１つの差に基づいて、計算を行うことができる。一実施形態において、計算セクションは、ベクトルＹ_ｉとＹ_ｊとの間のユークリッド距離を計算することによって、特性類似性Ｓ（Ｙ_ｉ，Ｙ_ｊ）を計算することができる。計算セクションは、計算した特性類似性を生成セクションに提供することができる。

次に、Ｓ４３０において、第１の決定セクション１５２のような第１の決定セクションは、第１の学習を行って、物理構造データの２つの物理構造の新たな構造類似性を推定するための類似性関数を決定することができる。

次にＳ４４０において、第１の決定セクションは、学習した類似性関数に基づいて、複数の物理構造データの中の物理構造データに対応する物理構造の構造類似性を推定することができる。これにより、第１の決定セクションは、少なくとも２つの物理構造に対応する特性データ間の少なくとも１つの特性類似性に基づいて、推定を行うことができる。

第１の決定セクションは、物理構造ベクトルのペア（ペア（Ｘｓ_１，Ｘｓ_２）、ペア（Ｘｓ_１，Ｘｓ_３）、ペア（Ｘｓ_１，Ｘｓ_４）、．．．、ペア（Ｘｓ_Ｎ−２，Ｘｓ_Ｎ）、ペア（Ｘｓ_Ｎ−１，Ｘｓ_Ｎ））の構造類似性を、類似性関数Ｌ_１（Ｘｓ_１，Ｘｓ_２）、Ｌ_１（Ｘｓ_１，Ｘｓ_３）、Ｌ_１（Ｘｓ_１，Ｘｓ_４）、．．．、Ｌ_１（Ｘｓ_Ｎ−２，Ｘｓ_Ｎ）、Ｌ_１（Ｘｓ_Ｎ−１，Ｘｓ_Ｎ）の出力値を計算することによって、推定することができる。第１の決定セクションは、推定した構造類似性を第２の決定セクションに提供することができる。

次に、Ｓ４５０において、第２の決定セクション１５４のような第２の決定セクションは、第２の学習を行って、物理構造から特性データを推定するための予測関数を決定することができる。第２の学習において、第２の決定セクション１５４は、式（１）：
ＡｒｇｍｉｎΣ_ｔ ^ＴΣ_ｉ ^ＮＬ_２（ｙ_ｉｔ−φ（Ｘ_ｉ）^Τω）^２＋λ｜ω｜^２．．．式（１）
に示すような目的関数を最適化することができ、ここでφ（・）は、ガウスカーネルのタイプを表す関数であり、ωは複数の重み変数を含む重みベクトルであり、λは正則化項（例えばＬ２正則化項）であり、ｙ_ｉｔはターゲット特性データＹ_ｉのターゲット特性値である。

上で説明したように、第２の決定セクションは、各点に衝突する物体の加速度−時間曲線における加速度値のような複数の値を出力する予測関数を決定する。換言すれば、第２の決定セクションは、多重レベル線形回帰を行う。第２の決定セクションは、推定モデルを予測セクションに提供することができる。

次に、Ｓ４６０において、取得セクションは、ターゲット特性データを予測するための新たなターゲット物理構造データを取得することができる。一実施形態において、取得セクションは、新たなターゲット自動車ボンネットの新たな物理構造データＸ_ｉ’を得ることができる。取得セクションは、新たなターゲット物理構造データを予測セクションに提供することができる。

次に、Ｓ４７０において、予測セクション１７０のような予測セクションは、推定モデルを使用することによって、新たなターゲット物理構造’の特性データを推定することができる。一実施形態において、予測セクションは、新たなターゲット物理構造データＸ_ｉ’の特性データＹ_ｉ’を、推定モデルφ（Ｘ_ｉ）^ＴωにＸ_ｉ’及び時間変数ｔの値を入力することによって推定することができる。推定された特性データＹ_ｉ’は、加速度−時間曲線における時間ｔに対する加速度値に各々が対応する、特性値を含むことができる。

図５は、本発明の実施形態による、物理構造データＸ_ｉの一例を示す。取得セクション１１０のような取得セクションによって得られる複数の物理構造データの各物理構造データは、ある物理構造の点の物理構造を表す特徴、その物理構造の点の位置（例えば絶対位置又は相対位置）を表す特徴など、及び時間を含むことができる。

図５の実施形態において、物理構造データＸ_ｉは、図１の自動車ボンネット内の点Ｐ_ｉに対応するものとすることができ、スカラー値ｓ_ｉ１、ｓ_ｉ２、．．．、ｓ_ｉＳ、ｐ_ｉ１、ｐ_ｉ２、．．．、ｐ_ｉＰ、及びｔを含むベクトルによって表すことができる。スカラー値ｓ_ｉ１、ｓ_ｉ２、．．．、ｓ_ｉＳは、自動車ボンネット内の点Ｐ_ｉのまわりの形状を表すことができる。一実施形態において、スカラー値ｓ_ｉ１、ｓ_ｉ２、．．．、ｓ_ｉＳは、点Ｐ_ｉのまわりの自動車ボンネット内のＳ個の点（例えば１０個の点）の相対的な高さを表す値とすることができる。スカラー値ｓ_ｉ１、ｓ_ｉ２、．．．、ｓ_ｉＳは、ベクトルＸｓ_ｉを形成することができる。

スカラー値ｐ_ｉ１、ｐ_ｉ２、．．．、ｐ_ｉＰは、点Ｐ_ｉの位置を表す値とすることができる。一実施形態において、Ｐの値は３とすることができ、ｐ_ｉ１は、点Ｐ_ｉの第１の次元（ｘ軸）における相対位置に対応することができ、ｐ_ｉ２は、点Ｐ_ｉの第２の次元（ｙ軸）における相対位置に対応することができ、ｐ_ｉ３は、点Ｐ_ｉの第３の次元（ｚ軸）における相対位置に対応することができる。

スカラー値ｐ_ｉ１、ｐ_ｉ２、ｐ_ｉ３及びｔは、位置ベクトルＸｐ_ｉを形成することができる。Ｘｓ_ｉ及び／又はＸｐ_ｉに加えて又はこれに代えて、取得セクションは、点Ｐ_ｉの他の特徴を表す値、例えば点Ｐ_ｉのまわりの自動車ボンネット内の１つ又は複数の点の厚さなどを含む物理構造データを取得することができる。スカラー値ｔは、時間に対応するものとすることができる。加速度−時間曲線において加速度値が取得される複数の時間は、Ｘｐ_ｉにおける変数ｔに対応することができる。換言すれば、第１の決定セクションは、各加速度−時間曲線に関して異なる時間ｔの値を有する複数のＸｐ_ｉを準備することができ、時間ｔの各値は、その加速度−時間曲線において加速度値が取得される時間に対応する。

図６は、特性データＹ_ｉの一例を示す。複数の特性データの各特性データは、複数の物理構造の中のある物理構造に対応するものとすることができる。各特性データは、時間に対する特性の変化を表す、複数の特性値の中の少なくとも１つの特性値を含むことができる。時間に対する特性の変化は、対応する物理構造に対する衝撃に関連した特性（例えば物理構造の点に衝突する物体の加速度）とすることができ、又は対応する物理構造の変形を表す特性とすることができる。

一実施形態において、特性データＹ_ｉは、物理構造データＸ_ｉに対応する。例えば、各特性データＹ_ｉは、複数の特性値ｙ_ｉ１、ｙ_ｉ２、．．．、及びｙ_ｉＴを含むベクトルを表すことができる。特性データＹ_ｉの各特性値ｙ_ｉｔは、複数の物理構造データの中の物理構造データＸ_ｉに対応する物理構造の特性を表すことができる。

一実施形態において、特性データＹ_ｉは、図２に示すような、物理構造データＸ_ｉを有する点Ｐ_ｉの加速度−時間曲線における加速度値に対応するものとすることができる。この実施形態において、特性値ｙ_ｉ１、ｙ_ｉ２、．．．、ｙ_ｉＴの各々は、各時間ｔ_１、ｔ_２、．．．、ｔ_Ｔにおける点Ｐ_ｉの加速度の値に対応する。

図７は、第１の学習の一例を示す。第１の決定セクションは、類似性関数Ｌ_{｛１，ｄ｝}（・，・）を学習することができる。一実施形態において、類似性関数Ｌ_{｛１，ｄ｝}（Ｘｓ_ｉ，Ｘｓ_ｊ）は、物理構造データＸ_ｉのベクトルＸｓ_ｉと、物理構造データＸ_ｊのベクトルＸｓ_ｊとの間の構造類似性を推定する。第１の決定セクションは、類似性関数Ｌ_{｛１，ｄ｝}（Ｘｓ_ｉ，Ｘｓ_ｊ）の出力値が、物理構造データ（Ｘｓ_ａ，Ｘｓ_ｂ）に対応する特性データ（Ｙ_ａ，Ｙ_ｂ）の類似性と一致するように、類似性関数Ｌ_{｛１，ｄ｝}（・，・）を学習することができる。

第１の学習に関して、第１の決定セクションは、最初に、Ｓ４２０で生成された特性データのペアに対応するトレーニングデータ内の複数の物理構造データからＸｓの複数のベクトルペアを生成することができる。一実施形態において、第１の決定セクションは、ペア（Ｘｓ_１，Ｘｓ_２）、ペア（Ｘｓ_１，Ｘｓ_３）、ペア（Ｘｓ_１，Ｘｓ_４）、．．．、ペア（Ｘｓ_Ｎ−２，Ｘｓ_Ｎ）、ペア（Ｘｓ_Ｎ−１，Ｘｓ_Ｎ）を生成することができる。

次いで、第１の決定セクションは、少なくとも１つの構造類似性に基づいて新たな構造類似性を推定するための、類似性関数を決定することができる。一実施形態において、第１の決定セクションは、少なくとも２つの物理構造に対応する特性データ間の少なくとも１つの特性類似性に基づいて、類似性関数を決定することができる。この実施形態において、第１の決定セクションは、Ｄ種類の類似性関数類似性関数Ｌ_{｛１，１｝}（Ｘｓ_ｉ，Ｘｓ_ｊ）、Ｌ_{｛１，２｝}（Ｘｓ_ｉ，Ｘｓ_ｊ）、．．．、Ｌ_{｛１，Ｄ｝}（Ｘｓ_ｉ，Ｘｓ_ｊ）を、以下に示す式（２）：
Ｌ_{｛１，ｄ｝}（Ｘｓ_ｉ，Ｘｓ_ｊ）＝Σ_ｃｇ_ｃ，ｄ（Ｘｓ_ｉ，Ｘｓ_ｊ）・ｆ_ｃ，ｄ（Ｙ_{ｔｒａｉｎ}）．．．式（２）
を用いて決定することができ、ここでｃは、類似性のパースペクティブ（ｐｅｒｓｐｅｃｔｉｖｅ）を表す変数であり、ｇ_ｃ，ｄ（・，・）は、入力ベクトルに基づくツリーモデルの分割規則を生成する関数であり、ｆ_ｃ，ｄ（Ｙ_{ｔｒａｉｎ}）は、２つの特性データを取り出す関数であり、これら２つの特性データは、Ｘｓ_ｉ及びＸｓ_ｊに対応し、類似性のパースペクティブｃの観点から取り出される。

一実施形態において、関数ｇ_ｃ，ｄ（Ｘｓ_ｉ，Ｘｓ_ｊ）は、変数ｃの値によって表される類似性のパースペクティブにおけるＸｓ_ｉとＸｓ_ｊとの類似性を評価する。したがって、関数ｇ_ｃ，ｄ（Ｘｓ_ｉ，Ｘｓ_ｊ）は、変数ｃの各値に関して、異なるパースペクティブにおけるＸｓ_ｉとＸｓ_ｊとの類似性を評価する。

関数ｇ_ｃ，ｄ（Ｘｓ_ｉ，Ｘｓ_ｊ）は、ベクトルＸｓ_ｉ及びＸｓ_ｊにおけるスカラー変数の中の変数の部分集合の類似性を評価することができる。一実施形態において、関数ｇ_１，ｄ（Ｘｓ_ｉ，Ｘｓ_ｊ）は、ベクトルＸｓ_ｉ及びＸｓ_ｊにおける最初の３つの変数（すなわち、Ｘｓ_ｉにおけるｓ_ｉ１、ｓ_ｉ２、ｓ_ｉ３及びＸｓ_ｊにおけるｓ_ｊ１、ｓ_ｊ２、ｓ_ｊ３）の類似性を評価するものとすることができる。関数ｇ_２，ｄ（Ｘｓ_ｉ，Ｘｓ_ｊ）は、ベクトルＸｓ_ｉ及びＸｓ_ｊにおける次の３つの変数（すなわち、Ｘｓ_ｉにおけるｓ_ｉ４、ｓ_ｉ５、ｓ_ｉ６及びＸｓ_ｊにおけるｓ_ｊ４、ｓ_ｊ５、ｓ_ｊ６）の類似性を評価するものとすることができる。これにより、関数ｇ_１，ｄ（Ｘｓ_ｉ，Ｘｓ_ｊ）、ｇ_２，ｄ（Ｘｓ_ｉ，Ｘｓ_ｊ）、．．．、ｇ_Ｃ，ｄ（Ｘｓ_ｉ，Ｘｓ_ｊ）は、異なるＣ個のパースペクティブにおいてベクトルＸｓ_ｉ、Ｘｓ_ｊを評価する。

この実施形態において、Ｘｓ_ｉにおけるｓ_ｉ１、ｓ_ｉ２、ｓ_ｉ３とＸｓ_ｊにおけるｓ_ｊ１、ｓ_ｊ２、ｓ_ｊ３とが類似していると判断された場合、関数ｇ_１，ｄ（Ｘｓ_ｉ，Ｘｓ_ｊ）は、１を出力することができ、他の関数ｇ_２，ｄ（Ｘｓ_ｉ，Ｘｓ_ｊ）、ｇ_３，ｄ（Ｘｓ_ｉ，Ｘｓ_ｊ）、．．．、ｇ_Ｃ，ｄ（Ｘｓ_ｉ，Ｘｓ_ｊ）は、０を出力することができる。そして、Ｘｓ_ｉにおけるｓ_ｉ４、ｓ_ｉ５、ｓ_ｉ６とＸｓ_ｊにおけるｓ_ｊ４、ｓ_ｊ５、ｓ_ｊ６とがツリーモデルに基づいて類似していると判断された場合、関数ｇ_２，ｄ（Ｘｓ_ｉ，Ｘｓ_ｊ）は、１を出力することができ、他の関数ｇ_１，ｄ（Ｘｓ_ｉ，Ｘｓ_ｊ）、ｇ_３，ｄ（Ｘｓ_ｉ，Ｘｓ_ｊ）、．．．、ｇ_Ｃ，ｄ（Ｘｓ_ｉ，Ｘｓ_ｊ）は、０を出力することができる。

第１の決定セクションは、第１の学習において関数ｇ_ｃ，ｄ（・，・）を決定することができる。第１の決定セクションは、非線形モデル（例えばツリーモデル）を用いて、類似性関数Ｌ_１（・，・）の関数ｇ_ｃ，ｄ（・，・）を決定することができる。第１の決定セクションは、ツリーモデルの代わりにニューラルネットワークモデルを用いることができる。

関数ｆ_ｃ，ｄ（Ｙ_{ｔｒａｉｎ}）は、最初に、入力トレーニングデータＹ_{ｔｒａｉｎ}の複数の特性データ（例えばすべての特性データＹ_１、Ｙ_２、．．．、Ｙ_Ｎ）から、その２つの対応する物理構造データ（例えばＸ_ａ及びＸ_ｂ）が対応する関数ｇ_ｃ，ｄ（Ｘ_ａ，Ｘ_ｂ）によって類似であると評価された２つの特性データ（例えばＹ_ａ及びＹ_ｂ）を取り出し、次いでこれら２つの特性データＹ_ａ及びＹ_ｂの類似性を評価する。

図８は、φ（Ｘ_ｉ）の一例を示す。図８に示すように、φ（Ｘ_ｉ）は、物理構造データＸ_ｉを入力し、Ｘ_ｉに基づいて推定された複数の値を有するベクトルを出力する関数である。図８に示すように、φ（Ｘ_ｉ）のベクトルは、物理構造データＸ_ｉとトレーニングデータ内の各物理構造データＸ_１、．．．、Ｘ_Ｎとの入力ベクトルＶ（Ｘ_ｉ，Ｘ_ｎ）の、類似性関数Ｋ（・，・）の出力値を含むことができる。第１の決定セクションは、Ｄ種類のｇ_ｃ，ｄ（・，・）関数及びｆ_ｃ，ｄ（Ｙ_{ｔｒａｉｎ}）関数を準備して、それによりＤ種類の類似性関数を決定することができる。

図９は、本発明の実施形態による、Ｖ（Ｘ_ｉ，Ｘ_ｎ）の一例を示す。図９に示すように、Ｖ（Ｘ_ｉ，Ｘ_ｎ）は、Ｘ_ｉ及びＸ_ｎを入力し、関数θ_１×Ｌ_{｛１，１｝}（Ｘ_ｉ，Ｘ_ｎ）、θ_２×Ｌ_{｛１，２｝}（Ｘ_ｉ，Ｘ_ｎ）、．．．、θ_Ｄ１×Ｌ_{｛１，Ｄ１｝}（Ｘ_ｉ，Ｘ_ｎ）の出力値及び関数θ_{｛Ｄ１＋１｝}×Ｌ_{｛２，１｝}（Ｘ_ｉ，Ｘ_ｎ）、θ_{｛Ｄ１＋２｝}×Ｌ_{｛２，２｝}（Ｘ_ｉ，Ｘ_ｎ）、．．．、θ_{｛Ｄ１＋Ｄ２｝}×Ｌ_{｛２，Ｄ２｝}（Ｘ_ｉ，Ｘ_ｎ）の出力値の要素を含むベクトルを出力する。

一実施形態において、Ｖ（Ｘ_ｉ，Ｘ_ｎ）の中のｄ１番目の関数Ｌ_{｛１，ｄ１｝}（Ｘ_ｉ，Ｘ_ｎ）は、式（２）のＬ_{｛１，ｄ１｝}（Ｘｓ_ｉ，Ｘｓ_ｊ）に対応するものとすることができる。

Ｖ（Ｘ_ｉ，Ｘ_ｎ）の中の｛Ｄ１＋ｄ２｝番目の関数Ｌ_{｛２，ｄ２｝}（Ｘ_ｉ，Ｘ_ｎ）は、位置ベクトルＸｐ_ｉ及びＸｐ_ｎの値の平均二乗誤差関数又は絶対誤差関数とすることができ、次式
Ｌ_{｛２，ｄ２｝}（Ｘ_ｉ，Ｘ_ｎ）＝（Ｘｐ_ｉ−Ｘｐ_ｎ）^２ ．．．式（４）
で表すことができる。

あるいは、関数Ｌ_{｛２，ｄ２｝}（Ｘ_ｉ，Ｘ_ｎ）は、
Ｌ_{｛２，ｄ２｝}（Ｘ_ｉ，Ｘ_ｎ）＝｜Ｘｐ_ｉ−Ｘｐ_ｎ｜ ．．．式（５）
とすることができる。

Ｄ２種類の関数Ｌ_{｛２，ｄ２｝}の他の実装も可能である。変数θ_１、θ_２、．．．、θ_Ｄ１、θ_Ｄ１＋１、．．．、θ_{Ｄ１＋ｄ２}は、ベクトルＶ（Ｘ_ｉ，Ｘ_ｎ）における各要素の感度を表す。生成セクションは、Ｄ１＋Ｄ２個の変数θも学習することができる。上述のように、生成セクションは、Ｄ１種類のＬ_{｛１，ｄ１｝}関数及びＤ２種類のＬ_{｛２，ｄ２｝}関数を提供する。

ベクトルφ（Ｘ_ｉ）は、
φ（Ｘ_ｉ）＝θ_０ｅｘｐ［−１／２×Σ_{｛ｊ，ｋ，ｄ｝}（θ_ｄ×Ｌ_{｛ｊ，ｋ｝}（Ｘ_ｉ，Ｘ_ｊ））］．．．式（６）
によって表すことができる。

重みベクトルωは、関数Ｋ（Ｖ（Ｘ_ｉ，Ｘ_ｎ））の各々に対応する重み変数を含む。一実施形態において、重み変数ｗ_１、ｗ_２、．．．、ｗ_Ｎは、Ｋ（Ｖ（Ｘ_ｉ，Ｘ_１））、Ｋ（Ｖ（Ｘ_ｉ，Ｘ_２））、．．．、Ｋ（Ｖ（Ｘ_ｉ，Ｘ_Ｎ））に対応する。

第２の決定セクションは、式（１）を用いて、推定特性値の重みω及び感度θを決定して、推定特性値φ（Ｘ_ｉ）^Τωとターゲット特性データＹ_ｉのターゲット特性値ｙ_ｉｔとの間の差を小さくすることができる。式（１）における目的関数における関数Ｌ_２（・）は、平均二乗誤差関数又は絶対誤差関数のような損失関数とすることができる。

第２の学習中に、第２の決定セクションは、重みベクトルωの値及びφ（Ｘ_ｉ）におけるパラメータθ_０、θ_１、．．．、θ_Ｄ１、．．．、θ_{｛Ｄ１＋Ｄ２｝}の値を学習することができる。第２の決定セクションは、重みベクトルω及びパラメータθ_０、θ_１、．．．、θ_{｛Ｄ１＋Ｄ２｝}の値を代替的な方式で決定することができる。第２の決定セクションは、カーネル法（ＡＲＤカーネルなど）及びリッジ回帰を用いて重みを決定することができる。他の実施形態において、重みベクトルは、任意の数の重みを含むことができる。

第２の決定セクションは、式（１）の最適化された結果におけるφ（Ｘ_ｉ）^Τωを推定モデルとして用いることができる。φ（Ｘ_ｉ）は、ターゲット物理構造データと、複数の物理構造データの各物理構造データとの複数の構造類似性の合成（ｃｏｍｐｏｓｉｔｉｏｎ）、及びターゲット構造と各物理構造との間の複数の相対位置の合成を表すので、特性値は、これらの合成に基づいて推定モデルによって推定することができる。

図４〜図８の動作フローに関連して上で説明したように、装置は、階層モデル（第１の学習及び第２の学習など）を利用することによって、低レベルの特徴（自動車ボンネットの形状など）から高レベルの特徴（加速度−時間曲線など）を推定することができる。一例において、装置は、自動車ボンネットの新規設計の頭部−ボンネット衝撃の加速度曲線を、物理テスト又は衝突シミュレーションを実際に行うことなく予測することができる。

図１０は、加速度−時間曲線の応答表面の一例を示す。図１０のグラフの１つの軸は、加速度値に対応し、図１０のグラフの別の軸は、時間に対応し、図１０のグラフの他の軸は、物理構造データに基づくシミュレーションから誘導された高レベルのパラメータに対応する。応答表面は、第２の決定セクションによって生成された推定モデルを表すことができ、応答表面を時間軸と加速度軸との平面でスライスすることによって応答表面から誘導される曲線が加速度−時間曲線を表す。

図１〜図１０に関連した説明は、主として、物理構造として自動車ボンネット及び特性データとして加速度−時間曲線を扱う。しかしながら、その他の実装もまた可能である。

図１１は、本発明の実施形態による、コンピュータ１９００の例示的な構成を示す。本実施形態によるコンピュータ１９００は、ＣＰＵ２０００、ＲＡＭ２０２０、グラフィックコントローラ２０７５、及びディスプレイ装置２０８０を含み、これらはホストコントローラ２０８２によって相互に接続されている。コンピュータ１９００は、通信インタフェース２０３０、ハードディスクドライブ２０４０、及びＤＶＤ−ＲＯＭドライブ２０６０のような入力／出力ユニットも含み、これらは入力／出力コントローラ２０８４を介してホストコントローラ２０８２に接続されている。コンピュータは、ＲＯＭ２０１０及びキーボード２０５０のようなレガシー入力／出力ユニットも含み、これらは入力／出力チップ２０７０を通じて入力／出力コントローラ２０８４に接続されている。

ホストコントローラ２０８２は、ＲＡＭ２０２０をＣＰＵ２０００及びグラフィックコントローラ２０７５に接続し、これは高い転送速度でＲＡＭ２０２０にアクセスする。ＣＰＵ２０００は、ＲＯＭ２０１０及びＲＡＭ２０２０に格納されたプログラムに従って動作し、これにより各ユニットを制御する。グラフィックコントローラ２０７５は、ＲＡＭ２０２０内に設けたフレームバッファ等上でＣＰＵ２０００によって生成された画像データを取得し、該画像データをディスプレイ装置２０８０で表示させる。あるいは、グラフィックコントローラ２０７５は、ＣＰＵ２０００によって生成された画像データを格納するためのフレームバッファ等をそれ自体の中に含むことができる。

入力／出力コントローラ２０８４は、ホストコントローラ２０８２を、比較的高速の入力／出力ユニットである通信インタフェース２０３０、ハードディスクドライブ２０４０、及びＤＶＤ−ＲＯＭドライブ２０６０に接続する。通信インタフェース２０３０は、ネットワークを介して他の電子デバイスと通信する。ハードディスクドライブ２０４０は、コンピュータ１９００内でＣＰＵ２０００によって使用されるプログラム及びデータを格納する。ＤＶＤ−ＲＯＭドライブ２０６０は、ＤＶＤ−ＲＯＭ２０９５からプログラム又はデータを読み出し、該プログラム又はデータを、ＲＡＭ２０２０を介してハードディスクドライブ２０４０に提供する。

比較的低速の入力／出力ユニットであるＲＯＭ２０１０及びキーボード２０５０及び入力／出力チップ２０７０は、入力／出力コントローラ２０８４に接続される。ＲＯＭ２０１０は、コンピュータ１９００のハードウェアに応じたプログラムである、起動時にコンピュータ１９００によって実行されるブートプログラム等を格納する。キーボード２０５０は、ユーザからのテキストデータ又はコマンドを入力し、該テキストデータ又はコマンドを、ＲＡＭ２０２０を介してハードディスクドライブ２０４０に提供することができる。入力／出力チップ２０７０は、キーボード２０５０を入力／出力コントローラ２０８４に接続し、種々の入力／出力ユニットを、パラレルポート、シリアルポート、キーボードポート、マウスポート等を介して入力／出力コントローラ２０８４に接続することができる。

ＲＡＭ２０２０を介してハードディスクドライブ２０４０に格納されるプログラムは、ＤＶＤ−ＲＯＭ２０９５及びＩＣカードとしての記録媒体によって提供される。プログラムは、記録媒体から読みだされ、ＲＡＭ２０２０を介してコンピュータ１９００内のハードディスクドライブ２０４０にインストールされ、ＣＰＵ２０００において実行される。

コンピュータ１９００にインストールされたプログラムは、コンピュータ１９００を図３の装置１００のような装置として機能させることができる。プログラム又はモジュールは、ＣＰＵ２０００上で働いて、コンピュータ１９００を、図３の装置１００の各要素（例えば、取得セクション１１０、計算セクション１３０、生成セクション１５０、予測セクション１７０等）のようなセクション、コンポーネント、要素として機能させる。

これらのプログラムに記載された情報処理は、図３の装置１００のようなコンピュータ１９００へと読み出されて取得セクションとして機能し、それは、プログラム又はモジュールと上記の種々のタイプのハードウェアリソースとの間の協働の結果である。さらに、装置は、コンピュータ１９００の使用法に従って動作又は情報処理を実現することによって構成される。

例えば、コンピュータ１９００と外部デバイスとの間の通信に応答して、ＣＰＵ２０００は、ＲＡＭ２０２０上にロードされた通信プログラムを実行して、該通信プログラムに記載された処理に基づいて、通信インタフェース２０３０に通信処理を命令することができる。

ＣＰＵ２０００の制御下にある通信インタフェース２０３０は、ＲＡＭ２０２０、ハードディスクドライブ２０４０、又はＤＶＤ−ＲＯＭ２０９５のような記録媒体内に設けた送信バッファ領域に格納された送信データを読み出し、読み出した送信データをネットワークへ転送し、又はネットワークから受け取った受信データを記録媒体上に設けた受信バッファ領域等に書き込む。このようにして、通信インタフェース２０３０は、ＤＭＡ（直接メモリアクセス）法によって、又はＣＰＵ２０００が記録媒体又は転送先の通信インタフェース２０３０からデータを読み出し、データを通信インタフェース２０３０又は転送先の記録媒体に書き込んで、送信／受信データを転送するような構成によって、送信／受信データを記録媒体と交換することができる。

加えて、ＣＰＵ２０００は、データベースのファイルのすべて又は必要な部分を、ＤＭＡ転送などによってＲＡＭ２０２０に読み込ませることができ、このファイル又はデータベースは、ハードディスクドライブ２０４０、ＤＶＤ−ＲＯＭドライブ２０６０（ＤＶＤ−ＲＯＭ２０９５）などの外部記録媒体内に格納されていたものであり、ＲＡＭ２０２０上のデータに対して種々のタイプの処理を行う。ＣＰＵ２０００は、次いで、処理されたデータをＤＭＡ転送法等によって外部記録媒体に戻して書き込むことができる。かかる処理において、ＲＡＭ２０２０は、外部記録媒体の内容を一時的に格納するものと考えることができるので、ＲＡＭ２０２０、外部記録装置等は、一括して、メモリ、ストレージセクション、記録媒体、コンピュータ可読媒体などと呼ばれる。

種々のタイプの情報、例えば種々のタイプのプログラム、データ、テーブル及びデータベースなどを記録装置に格納して、情報処理に供することができる。ＣＰＵ２０００は、ＲＡＭ２０２０の一部を使用して、それに対する読出し／書込みをキャッシュメモリ上で実行することもできることに留意されたい。かかる実施形態において、キャッシュメモリはＲＡＭ２０２０の機能の一部を実行するので、キャッシュは、特段の断りがなければ、ＲＡＭ２０２０、メモリ、及び／又は記録媒体の中に含まれると考えられる。

ＣＰＵ２０００は、ＲＡＭ２０２０のようなメモリから読み出したデータに対して種々のタイプの処理を行うことができ、それは、本実施形態で説明されかつプログラムの命令シーケンスによって指定されるような種々のタイプの動作、情報処理、条件判定、情報の検索／置換などを含み、結果をＲＡＭ２０２０のようなメモリに戻して書き込む。例えば、条件判定を行う場合、ＣＰＵ２０００は、本実施形態で示される各タイプの変数が他の変数又は定数より大きい、小さい、以上、以下、又は等しいか判定することができ、条件判定が肯定（又は否定）の場合、プロセスは、異なる命令シーケンスに分岐するか、又はサブルーチンを呼び出す。

加えて、ＣＰＵ２０００は、記録媒体中のファイル、データベースなどの中の情報を検索することができる。例えば、第２の属性の属性値に関連付けられた第１の属性の属性値を各々が有する複数のエントリが記録装置に格納されている場合、ＣＰＵ２０００は、記録媒体に格納された複数のエントリの中から、その第１の属性の属性値が指定された条件に適合するエントリを検索することができ、エントリの中に格納された第２の属性の属性値を読み出し、これにより、所定の条件を満たす第１の属性に関連付けられた第２の属性の属性値を得る。

上で説明したプログラム又はモジュールは、外部記録媒体に格納することができる。例示的な記録媒体は、ＤＶＤ−ＲＯＭ２０９５、並びにＢｌｕ−ｒａｙディスク又はＣＤのような光記録媒体、ＭＯのような光磁気記録媒体、テープ媒体、及びＩＣカードのような半導体メモリを含む。加えて、専用通信ネットワーク又はインターネットに接続されたサーバシステム内に設けたハードディスク又はＲＡＭのような記録媒体を記録媒体として用いることができ、これによりネットワークを介してプログラムをコンピュータ１９００に提供することができる。

本発明は、システム、方法、及び／又はコンピュータプログラム製品とすることができる。コンピュータプログラム製品は、本発明の態様をプロセッサに実行させるためのコンピュータ可読プログラム命令をその上に有するコンピュータ可読ストレージ媒体（単数又は複数）を含むことができる。

コンピュータ可読ストレージ媒体は、命令実行デバイスによって使用するための命令を保持及び格納することができる有形デバイスとすることができる。ストレージセクションを実装することができるコンピュータ可読ストレージ媒体は、例えば、電子ストレージデバイス、磁気ストレージデバイス、光ストレージデバイス、電磁気ストレージデバイス、半導体ストレージデバイス、又は上記のものの任意の適切な組合せとすることができるがこれらに限定されない。

コンピュータ可読ストレージ媒体のより具体的な例の非網羅的なリストは、ポータブル・コンピュータ・ディスケット、ハードディスク、ランダムアクセスメモリ（ＲＡＭ）、読み出し専用メモリ（ＲＯＭ）、消去可能プログラム可能読み出し専用メモリ（ＥＰＲＯＭ又はフラッシュメモリ）、静的ランダムアクセスメモリ（ＳＲＡＭ）、ポータブル・コンパクトディスク読み出し専用メモリ（ＣＤ−ＲＯＭ）、デジタル多目的ディスク（ＤＶＤ）、メモリスティック、フロッピーディスク、パンチカード若しくは記録された命令を有する溝内に隆起した構造などの機械式コード化デバイス、及び上記のものの任意の適切な組合せを含む。コンピュータ可読ストレージ媒体は、本明細書で用いられる場合、無線波若しくは他の自由に伝搬する電磁波、導波路若しくは他の伝送媒体を通って伝搬する電磁波（例えば光ファイバケーブルを通る光パルス）、又は電線を通って伝送される電気信号のようなそれ自体が一時的な信号と解釈すべきではない。

本明細書で説明するコンピュータ可読プログラム命令は、コンピュータ可読ストレージ媒体からそれぞれのコンピューティング／処理デバイスにダウンロードすることもでき、又は、例えばインターネット、ローカルエリアネットワーク、広域ネットワーク及び／又は無線ネットワークを経由して、外部コンピュータ若しくは外部ストレージデバイスにダウンロードすることもできる。ネットワークは、銅伝送ケーブル、光伝送ファイバ、無線伝送、ルータ、ファイアウォール、スイッチ、ゲートウェイ・コンピュータ及び／又はエッジサーバを含むことができる。各コンピューティング／処理デバイス内のネットワークアダプタカード又はネットワークインタフェースは、ネットワークからコンピュータ可読プログラム命令を受け取り、そのコンピュータ可読プログラム命令をそれぞれのコンピューティング／処理デバイス内のコンピュータ可読ストレージ媒体にストレージのために転送する。

本発明の動作を実行するためのコンピュータ可読プログラム命令は、アセンブラ命令、命令セットアーキテクチャ（ＩＳＡ）命令、機械語命令、機械依存命令、マイクロコード、ファームウェア命令、状態設定データ、又は、Ｓｍａｌｌｔａｌｋ、Ｃ＋＋などのオブジェクト指向プログラミング言語及び「Ｃ」プログラミング言語若しくは類似のプログラミング言語のような従来の手続き型プログラミング言語を含む１つ若しくは複数のプログラミング言語の任意の組合せで記述されたソースコード若しくはオブジェクトコードのいずれかとすることができる。コンピュータ可読プログラム命令は、完全にユーザのコンピュータ上で実行される場合もあり、一部がユーザのコンピュータ上で、独立型ソフトウェアパッケージとして実行される場合もあり、一部がユーザのコンピュータ上で実行され、一部が遠隔コンピュータ上で実行される場合もあり、又は完全に遠隔コンピュータ若しくはサーバ上で実行される場合もある。

後者のシナリオにおいては、遠隔コンピュータは、ローカルエリアネットワーク（ＬＡＮ）若しくは広域ネットワーク（ＷＡＮ）を含むいずれかのタイプのネットワークを通じてユーザのコンピュータに接続される場合もあり、又は外部コンピュータへの接続が行われる場合もある（例えば、インターネットサービスプロバイダを用いたインターネットを通じて）。幾つかの実施形態において、例えばプログラム可能論理回路、フィールドプログラム可能ゲートアレイ（ＦＰＧＡ）、又はプログラム可能論理アレイ（ＰＬＡ）を含む電子回路は、本発明の態様を実施するために、コンピュータ可読プログラム命令の状態情報を利用して電子回路を個別化することにより、コンピュータ可読プログラム命令を実行することができる。

本発明の態様は、本明細書において、本発明の実施形態による方法、装置（システム）、及びコンピュータプログラム製品のフローチャート図及び／又はブロック図を参照して説明される。フローチャート図及び／又はブロック図の各ブロック、並びにフローチャート図及び／又はブロック図のブロックの組合せは、コンピュータ可読プログラム命令によって実装することができることが理解されるであろう。

これらのコンピュータ可読プログラム命令を、汎用コンピュータ、専用コンピュータ、又は他のプログラム可能データ処理装置のプロセッサに与えてマシンを製造し、それにより、コンピュータ又は他のプログラム可能データ処理装置のプロセッサによって実行される命令が、フローチャート及び／又はブロック図の１つ又は複数のブロック内で指定された機能／動作を実装するための手段を作り出すようにすることができる。

これらのコンピュータプログラム命令を、コンピュータ、プログラム可能データ処理装置、及び／又は他のデバイスを特定の方式で機能させるように指示することができるコンピュータ可読ストレージ媒体内に格納し、それにより、その中に格納された命令を有するコンピュータ可読媒体が、フローチャート及び／又はブロック図の１つ又は複数のブロックにおいて指定された機能／動作の態様を実装する命令を含む製品を含むようにすることもできる。

コンピュータ可読プログラム命令を、コンピュータ、他のプログラム可能データ処理装置又は他のデバイス上にロードして、一連の動作ステップをコンピュータ、他のプログラム可能データ処理装置又は他のデバイス上で行わせてコンピュータ実装のプロセスを生成し、それにより、コンピュータ、他のプログラム可能装置又は他のデバイス上で実行される命令が、フローチャート及び／又はブロック図の１つ又は複数のブロックにおいて指定された機能／動作を実装するようにすることもできる。

図面中のフローチャート及びブロック図は、本開示の種々の実施形態による、システム、方法、及びコンピュータプログラム製品の可能な実装の、アーキテクチャ、機能及び動作を示す。この点に関して、フローチャート又はブロック図内の各ブロックは、指定された論理機能を実装するための１つ又は複数の実行可能命令を含む、モジュール、断片、又はコードの一部を表すことができる。

幾つかの代替的な実装において、ブロック内に記された機能は、図中に記された順序とは異なる順序で行われることがある。例えば、連続して示された２つのブロックは、関与する機能に応じて、実際には実質的に同時に実行されることもあり、又はこれらのブロックはときとして逆順で実行されることもある。ブロック図及び／又はフローチャート図の各ブロック、及びブロック図及び／又はフローチャート図中のブロックの組合せは、指定された機能又は動作を実行する専用ハードウェア・ベースのシステムによって実装することもでき、又は専用ハードウェアとコンピュータ命令との組合せを実行することもできることにも留意されたい。

本発明の実施形態を説明したが、本発明の技術的範囲は、上記実施形態に限定されない。種々の変更及び改善を上記実施形態に追加することができることが当業者には明らかである。かかる変更又は改善を追加した実施形態が本発明の技術範囲内に含まれ得ることもまた特許請求の範囲から明らかである。

特許請求の範囲、実施形態、又は図面で示す装置、システム、プログラム、及び方法によって行われる各プロセスの動作、手順、ステップ及び段階は、その順序が「先だって」、「前に」等で指示されていない限り、及び前のプロセスの出力が後のプロセスで使用されるものでない限り、任意の順序で行うことができる。特許請求の範囲、実施形態、又は図面においてプロセスフローが「最初に」又は「次に」といった語句を用いて説明されている場合であっても、それは必ずしもプロセスをこの順序で行わなければならないことを意味するものではない。

上記のことから明らかになるように、本発明の実施形態を用いて、ターゲット特性データを予測するための装置、方法、及びコンピュータプログラム製品を実現することができる。

１０：自動車
１２：自動車ボンネット
１００：装置
１９００：コンピュータ
２０９５：ＤＶＤ−ＲＯＭ
Ｐ_ｉ：点
Ｘ_ｉ：物理構造データ
Ｙ_ｉ：特性データ

Claims (18)

1. 特性データを予測するための装置であって、前記装置は、
   プロセッサと、
   命令を一括して含む１つ又は複数のコンピュータ可読媒体と、を含み、前記命令は、前記プロセッサによって実行されたときに、該プロセッサに、
   複数の物理構造データ及び複数の特性データを取得することであって、各物理構造は、前記複数の特性データの中の特性データに対応し、前記特性データは、複数の特性値を含み、各特性値は、前記複数の物理構造データの中の物理構造データに対応する物理構造に関係するものである、データを取得することと、
   前記複数の物理構造データの中の物理構造データに対応する少なくとも２つの物理構造の間の少なくとも１つの構造類似性を推定することと、
   ターゲット特性データをターゲット物理構造データから推定するための推定モデルを、少なくとも１つの特性データ及び対応する少なくとも１つの、前記ターゲット物理構造データと前記複数の物理構造データの各々との間の構造類似性を用いることによって、作成することと
   を行わせ、
   前記少なくとも１つの構造類似性の前記推定は、前記少なくとも２つの物理構造に対応する特性データ間の少なくとも１つの特性類似性に基づく、
   装置。
2. 前記命令は、前記プロセッサに、前記複数の特性データの中の第１の特性データと第２の特性データとの間の特性類似性を計算することをさらに行わせ、該計算は、前記第１の特性データ及び前記第２の特性データの対応する特性値の間の少なくとも１つの差に基づく、請求項１に記載の装置。
3. 各特性データは、時間に対する特性の変化を表す、前記複数の特性値の中の少なくとも１つの特性値を含む、請求項１または請求項２に記載の装置。
4. 各特性データは、前記対応する物理構造に対する衝撃に関連した又は前記対応する物理構造の変形を表す特性の変化を表す、前記複数の特性値の中の少なくとも１つの特性値を含む、請求項３に記載の装置。
5. 各物理構造は、可動物体の本体の一部である、請求項４に記載の装置。
6. 各物理構造データは、物理構造、位置、及び時間を表すための特徴を含む、請求項３〜請求項５のいずれかに記載の装置。
7. 前記命令は、前記プロセッサに、新たな構造類似性を推定するための類似性関数を決定することをさらに行わせ、該決定は、前記少なくとも２つの物理構造に対応する特性データ間の少なくとも１つの特性類似性に基づく、請求項１〜請求項６のいずれかに記載の装置。
8. 前記命令は、前記プロセッサに、ツリーモデル又はニューラルネットワークモデルを用いて前記類似性関数を決定することをさらに行わせる、請求項７に記載の装置。
9. 前記命令は、前記プロセッサに、推定特性値の重みを決定して前記推定特性値とターゲット特性データのターゲット特性値との間の差を小さくすることをさらに行わせ、前記推定特性値は、前記ターゲット物理構造データと前記複数の物理構造データの各物理構造データとの複数の構造類似性の合成に基づく、請求項１〜請求項８のいずれかに記載の装置。
10. 前記命令は、前記プロセッサに、前記ターゲット物理構造データと前記複数の物理構造データの各物理構造データとの前記複数の構造類似性の感度を決定して前記推定特性値と前記ターゲット特性データの前記ターゲット特性値との間の差を小さくすることをさらに行わせ、前記推定特性値は、ターゲット物理構造と各物理構造との間の複数の相対位置の合成にさらに基づく、請求項９に記載の装置。
11. 前記命令は、前記プロセッサに、カーネル法を用いて前記重みを決定することをさらに行わせる、請求項１０に記載の装置。
12. 前記命令は、前記プロセッサに、前記推定モデルを用いてターゲット物理構造の特性データを推定することをさらに行わせる、請求項１〜請求項１１のいずれかに記載の装置。
13. 特性データを予測するためのコンピュータが実行する方法であって、前記方法は、
    複数の物理構造データ及び複数の特性データを取得することであって、各物理構造は、前記複数の特性データの中の特性データに対応し、前記特性データは、複数の特性値を含み、各特性値は、前記複数の物理構造データの中の物理構造データに対応する物理構造に関係するものである、データを取得することと、
    前記複数の物理構造データの中の物理構造データに対応する少なくとも２つの物理構造の間の少なくとも１つの構造類似性を推定することと、
    ターゲット特性データをターゲット物理構造データから推定するための推定モデルを、少なくとも１つの特性データ及び対応する少なくとも１つの、前記ターゲット物理構造データと前記複数の物理構造データの各々との間の構造類似性を用いることによって、作成することと、
    を含み、
    前記少なくとも１つの構造類似性の前記推定は、前記少なくとも２つの物理構造に対応する特性データ間の少なくとも１つの特性類似性に基づく、
    コンピュータが実行する方法。
14. 前記複数の特性データの中の第１の特性データと第２の特性データとの間の特性類似性を計算することをさらに含み、該計算は、前記第１の特性データと前記第２の特性データとの対応する特性値の間の少なくとも１つの差に基づく、請求項１３に記載の方法。
15. 各特性データは、時間に対する特性の変化を表す、前記複数の特性値の中の少なくとも１つの特性値を含む、請求項１３または請求項１４に記載の方法。
16. 各特性データは、前記対応する物理構造に対する衝撃に関連した又は前記対応する物理構造の変形を表す特性の変化を表す、前記複数の特性値の中の少なくとも１つの特性値を含む、請求項１５に記載の方法。
17. コンピュータに、請求項１３〜請求項１６のいずれかに記載の方法を実行させるための命令を格納したコンピュータ可読ストレージ媒体。
18. コンピュータ可読媒体上に格納され、デジタルコンピュータの内部メモリにロード可能なコンピュータプログラムであって、前記プログラムがコンピュータ上で実行された場合に請求項１３〜請求項１６のいずれかの記載の方法を実施するためのソフトウェアコード部分を含む、コンピュータプログラム。

Images